一种基于时序行为检测的工作流识别系统及其识别方法技术方案

本发明专利技术涉及工作流识别技术领域，公开了一种基于时序行为检测的工作流识别方法，包括：构建问题结构模型M(θ,D)，并初始化问题结构模型M(θ,D)中的参数θ；逐步扫描实例库L中的每行数据，根据实例库L中已知或观察到的辅助标注隐动作信息，采用EM算法迭代计算和更新参数θ；通过ARMS算法利用问题结构模型M(θ,D)的计算结果和规则约束获取动作模型根据问题实例关于动作的辅助标注信息，计算其对应的隐动作序列O＝(o1,

【技术实现步骤摘要】
一种基于时序行为检测的工作流识别系统及其识别方法


[0001]本专利技术涉及工作流识别
，特别涉及基于时序行为检测的工作流识别系统及其识别方法。

技术介绍

[0002]随着社会和科技的不断进步，工业生产正朝着自动化、智能化的方向快速发展。工作流相关技术的研究也越来越受到人们的重视，并被广泛地应用于电子业务、制造业、软件开发、生物医学和银行业务等各个领域。工作流不但能够自动化处理相关的活动或任务，减少人机交互处理过程中带来的潜在错误，而且能够精确化每一处理步骤，最大化地提高企业的生产效率。这就要求工作流能够支持动态可变的、灵活的应用场景。
[0003]由于安全生产、产品质量及其成本控制等方面的需求，工作流任务识别已成为一个重要的研究问题。例如制造业生产装配线上的智能监控、医院病人护理和手术流程中的自动管理等方面。近年来，在大数据、“互联网+”和工业自动化背景下，工作流中的业务流程日趋复杂多变。由需求分析引起的业务过程重新建模或由维护升级引起的过程模式变更和改进，也将变得越来越频繁。如何在这样动态多变的复杂环境下快速准确地识别出任务，就成为目前工作流任务识别研究亟需解决的关键问题。

技术实现思路

[0004]本专利技术提供了一种基于时序行为检测的工作流识别系统及其识别方法，根据部分已观察到的状态信息，同时结合问题结构模型，以及当前隐动作等相关辅助标注信息，就能推出其他未能观察到的隐动作，有效地解决了传统算法识别困难和对噪声数据敏感等问题。
[0005]本专利技术提供了一种基于时序行为检测的工作流识别方法，包括：
[0006]构建问题结构模型M(θ，D)，并初始化所述问题结构模型M(θ，D)中的参数θ；其中，参数θ中的值满足概率统计分布条件；
[0007]逐步扫描实例库L中的每行数据，根据所述实例库L中已知或观察到的辅助标注隐动作信息，采用EM算法迭代计算和更新参数θ；
[0008]通过ARMS算法，利用问题结构模型M(θ，D)的计算结果和规则约束获取动作模型
[0009]根据问题实例关于动作的辅助标注信息，计算其对应的隐动作序列O＝(o1，...，o
m
)；
[0010]利用FF规划器求解问题的解，并返回问题的规划解。
[0011]进一步地，所述构建问题结构模型M(θ，D)，并初始化所述问题结构模型M(θ，D)中的参数θ的步骤，包括：
[0012]初始化参数θ＝<π，Λ，Γ>和D，θ的初始值符合概率统计模型，π为初始观察状态的概率，初始化为π
i
＝1/N
α
，Λ，Γ分别表示初始的动作
‑
状态转移概率矩阵和动作
‑
动作转移概率矩阵，其对应的转移函数分别为Ψ
jk
＝p(s
t
＝ξ
k
|at＝α
j
)、X
ij
＝p(a
t
＝α
j
|a
t
‑1＝α
i
)，其
中，Ψ
jk
表示隐动作α
j
出现时观察到状态ξ
k
的概率，X
ij
表示隐动作α
i
在时刻点t
‑
1出现时，在下一时刻点t动作α
j
出现的概率，D表示工作流规划领域知识。
[0013]进一步地，所述逐步扫描实例库L中的每行数据，根据所述实例库L中已知或观察到的辅助标注隐动作信息，采用EM算法迭代计算和更新参数θ的步骤之前，还包括：
[0014]给定一个长度为T的问题实例L
i
，观察状态为一个可观察状态序列，为其对应的隐动作序列，是中对应部分的、含噪声的辅助信息；在工作流中t时刻的隐动作a
t
具有马尔科夫特性，即具有马尔科夫特性，即在t
‑
1时刻点条件下，产生状态s
t
的概率等于在a
t
条件下产生s
t
的概率，即当a
t
被标注，但出现标注错误的情况，则p(y
t
≠a
t
|a
t
)＝1
‑
p(y
t
＝a
t
|a
t
)＝1
‑
η，其中，参数η表示隐动作a
t
被正确标注的概率，参数ζ表示获取到辅助标注信息y
t
的概率，当参数ζ＝0时，表示当前时刻点t未检测到任何与隐动作a
t
相关的标注信息，若已知隐动作a
t
的标注是错误的，则a
t
被标注呈a
j
的概率为p(y
t
＝a
j
|a
t
)＝1/(N
α
‑
1)，其中N
α
表示隐动作的个数。
[0015]进一步地，所述逐步扫描实例库L中的每行数据，根据所述实例库L中已知或观察到的辅助标注隐动作信息，采用EM算法迭代计算和更新参数θ的步骤，包括：
[0016]根据每个可能出现的隐动作序列确定其值，计算和更新θ参数值，并使得的值最大化，重复执行这一过程，直到其值不再收敛为止，得到参数θ。
[0017]进一步地，所述根据每个可能出现的隐动作序列确定其值，计算和更新θ参数值，并使得的值最大化，重复执行这一过程，直到其值不再收敛为止，得到参数θ的步骤中，通过EM进行不断迭代更新计算的值，计算最大似然估计值，且在当前最大值的基础上不断调整和更新参数θ，其计算公式为：其中，其中，通过EM算法中的E步骤求解；计算的最大值通过计算关于最大化期望值，利用条件概率公式分解得到
[0018]进一步地，计算和更新问题结构模型M(θ，D)的参数θ的计算公式为：
[0019][0020][0021]其中，表示在给定和参数θ的前提下，隐动作从t时刻点α
i
转变成t+1时刻点α
j
时的概率，表示在给定和参数θ的前提下，隐动作a
t
在t时刻点为α
i
的概率。
[0022]进一步地，工作流模型所产生的一个业务流程，由一系列被执行的任务及决定其次序的前提条件组成，用STRIPS模型形式化描述和定义业务流程，一个业务问题可以用P＝＜F，I，G，A＞表示，其中F是业务流程中的有限状态集合，是业务流程的初始状态，是业务流程结束时的目标条件，a＝＜pre(a)、add(a)、del(a)＞∈A三元组形式表示完成这些任务的具体活动，pre(a)、add(a)和del(a)分别表示活动被执行时必须满足的前提条件、增加和删除效果，引入一个与活动执行后密切相关的状态s，得到与之相关的状态转移函数T：F
×
A
→...

【技术保护点】

【技术特征摘要】
1.一种基于时序行为检测的工作流识别方法，其特征在于，包括：构建问题结构模型M(θ，D)，并初始化所述问题结构模型M(θ，D)中的参数θ；其中，参数θ中的值满足概率统计分布条件；逐步扫描实例库L中的每行数据，根据所述实例库L中已知或观察到的辅助标注隐动作信息，采用EM算法迭代计算和更新参数θ；通过ARMS算法，利用问题结构模型M(θ，D)的计算结果和规则约束获取动作模型根据问题实例关于动作的辅助标注信息，计算其对应的隐动作序列O＝(o1，...，o
m
)；利用FF规划器求解问题的解，并返回问题的规划解。2.根据权利要求1所述的基于时序行为检测的工作流识别方法，其特征在于，所述构建问题结构模型M(θ，D)，并初始化所述问题结构模型M(θ，D)中的参数θ的步骤，包括：初始化参数θ＝<π，Λ，Γ>和D，θ的初始值符合概率统计模型，π为初始观察状态的概率，初始化为π
i
＝1/N
α
，Λ，Γ分别表示初始的动作
‑
状态转移概率矩阵和动作
‑
动作转移概率矩阵，其对应的转移函数分别为Ψ
jk
＝p(s
t
＝ξ
k
|a
t
＝α
j
)、X
ij
＝p(a
t
＝α
j
|a
t
‑1＝α
i
)，其中，Ψ
jk
表示隐动作α
j
出现时观察到状态ξ
k
的概率，X
ij
表示隐动作α
i
在时刻点t
‑
1出现时，在下一时刻点t动作α
j
出现的概率，D表示工作流规划领域知识。3.根据权利要求1所述的基于时序行为检测的工作流识别方法，其特征在于，所述逐步扫描实例库L中的每行数据，根据所述实例库L中已知或观察到的辅助标注隐动作信息，采用EM算法迭代计算和更新参数θ的步骤之前，还包括：给定一个长度为T的问题实例L
i
，观察状态为一个可观察状态序列，为其对应的隐动作序列，是中对应部分的、含噪声的辅助信息；在工作流中t时刻的隐动作a
t
具有马尔科夫特性，即具有马尔科夫特性，即在t
‑
1时刻点条件下，产生状态s
t
的概率等于在a
t
条件下产生s
t
的概率，即当a
t
被标注，但出现标注错误的情况，则p(y
t
≠a
t
|a
t
)＝1
‑
p(y
t
＝a
t
|a
t
)＝1
‑
η，其中，参数η表示隐动作a
t
被正确标注的概率，参数ζ表示获取到辅助标注信息y
t
的概率，当参数ζ＝0时，表示当前时刻点t未检测到任何与隐动作a
t
相关的标注信息，若已知隐动作a
t
的标注是错误的，则a
t
被标注呈a
j
的概率为p(y
t
＝a
j
|a
t
)＝1/(N
α
‑
1)，其中N
α
表示隐动作的个数。4.根据权利要求1所述的基于时序行为检测的工作流识别方法，其特征在于，所述逐步扫描实例库L中的每行数据，根据所述实例库L中已知或观察到的辅助标注隐动作信息，采用EM算法迭代计算和更新参数θ的步骤，包括：根据每个可能出现的隐动作序列确定其值，计算和更新θ参数值，并使得的值最大化，重复执行这一过程，直到其值不再收敛为止，得到参数θ。5.根据权利要求4所述的基于时序行为检测的工作流识...

【专利技术属性】
技术研发人员：庞亚环，李晓博，郭彦军，魏喜庭，
申请(专利权)人：兰州赛腾伟业电子科技有限公司，
类型：发明
国别省市：